CN111619545A - 基于交通信息的混合动力汽车能量管理方法 - Google Patents

Abstract

本发明涉及一种基于交通信息的混合动力汽车能量管理方法，包括交通信息数据获取步骤、驾驶工况信息预测步骤和需求功率计算及分配步骤，通过将智能交通系统获得的交通信息用在混合动力汽车的能量管理中，实现动力在不同动力源之间的优良分配，从而提高车辆的燃油经济性和尾气排放性能；采用分层结构设计进行混合动力汽车能量优化控制，更高效地计算车辆需求功率，实现优良控制；基于网联环境下，使用马尔科夫链算法预测汽车未来的驾驶工况信息，以获得车辆的最优需求功率；采用基于全局动态规划算法的下层控制器，将动力电池荷电状态SOC和能量状态SOE控制在预设合理范围内，进行车辆能量管理的最优控制。

Description

基于交通信息的混合动力汽车能量管理方法

技术领域

本发明属于混合动力汽车控制技术领域，具体涉及一种基于交通信息的混合动力汽车能量管理方法。

背景技术

不断上涨的燃油价格和污染物排放以及对全球变暖的日益关注，已使得传统汽车开始向电动汽车过渡，而混合动力汽车是该过程至关重要的产物，其在提高燃油经济性和减少污染物排放等方面发挥着不可或缺的作用。混合动力汽车由于存在两种或以上的动力源，所以在整个驾驶过程中能量如何在发动机和电池之间进行功率分配极其重要，优良的能量管理策略直接决定了混合动力汽车产生更好的燃油经济性，同时减少或消除尾气的排放。近年来，对混合动力汽车能量管理策略的研究，主要可分为如下两类：一类是基于规则的控制算法，如基于逻辑门限和模糊逻辑控制算法；另一类是基于最优化理论的控制算法，有基于全局优化的动态规划算法和庞特里亚金极小值原理，也有基于实时优化的等效燃油消耗最小算法和模型预测控制算法等，虽然这些算法可以对混合动力汽车进行良好的能量管理，但由于没有考虑实际的道路交通信息，因此不能实现最优的能量管理。

目前现有的混合动力汽车能量管理方法优化的状态变量往往是动力电池SOC，约束的常常也是动力电池SOC的范围，以保证电池剩余可用容量依然充足，然而实际上行车中虽然保证了充足的电池的SOC，如果电池能量状态SOE不足时，混合动力汽车电机驱动依然不能正常健康的行驶。

发明内容

针对上述现有技术存在的不能实现混合动力汽车最优的能量管理的技术问题，本发明提供一种基于交通信息的混合动力汽车能量管理方法，通过将智能交通系统获得的交通信息用在混合动力汽车的能量管理中，可以实现动力在不同动力源之间的优良分配，从而提高车辆的燃油经济性和尾气排放性能；采用了分层结构设计进行混合动力汽车能量优化控制，可以更高效地计算车辆需求功率，实现优良控制；基于网联环境下，使用马尔科夫链算法预测汽车未来的速度、加速度以及道路坡度序列交通信息，从而获得车辆的最优需求功率；采用基于全局动态规划算法的下层控制器，不仅考虑了优化车辆的燃油经济性，而且还优化了尾气排放性能；通过在下层控制器的全局动态规划算法中，将动力电池荷电状态SOC和能量状态SOE控制在预设合理范围内，进行车辆能量管理的最优控制。

本发明的技术方案如下：

一种基于交通信息的混合动力汽车能量管理方法，其特征在于，所述方法包括如下步骤：

交通信息数据获取步骤，在网联环境下，由智能交通系统和地理信息系统获取混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息，并将所述混合动力汽车的历史驾驶工况信息以及所述混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息上传至上层控制器中的数据处理中心；

驾驶工况信息预测步骤，上层控制器中的数据处理中心根据接收的历史驾驶工况信息以及所述混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息在满足车辆纵向动力学的约束下利用马尔科夫链算法预测汽车未来的速度、加速度以及道路坡度序列交通信息以得到优化的车辆需求功率序列并传输给下层控制器；

需求功率计算及分配步骤，下层控制器根据所述车辆需求功率序列建立状态空间模型，根据所述状态空间模型迭代遍历电池功率控制变量，并应用基于贝尔曼最优原理的全局动态规划算法将动力电池荷电状态和能量状态控制在预设范围内，以同时优化燃油经济性和排放性能为目标函数进行逆向求解，计算出混合动力汽车中的发动机、电机和动力电池所需的功率，并将所述计算出的功率分别传输至混合动力汽车中的发动机、电机和动力电池。

进一步地，所述驾驶工况信息预测步骤中，在满足纵向动力学的约束条件下，上层控制器通过解析车辆历史和当前的速度、加速度以及道路坡度序列交通信息得到全局最优耗能曲线，并根据所述全局最优耗能曲线结合马尔科夫链算法预测未来汽车的驾驶速度、加速度以及道路坡度序列交通信息。

进一步地，所述上层控制器中的数据处理中心通过无线传输的方式将优化的车辆需求功率序列发送给下层控制器。

进一步地，所述马尔科夫链算法为二维马尔科夫链算法。

进一步地，所述二维马尔科夫链算法是基于概率论和数理统计中具有马尔科夫性质的离散随机变量集合的算法，其中使用了基于概率泊松分布的抽样方法，所述泊松分布是基于获取的历史驾驶工况信息建立的。

进一步地，所述加速度通过获取的汽车速度进行微分获得。

进一步地，对通过获取的汽车速度进行微分获得的加速度进行平滑处理。

进一步地，所述需求功率计算及分配步骤建立的状态空间模型表示为：

x＝[SOC SOE]^T，SOC_min≤SOC(t)≤SOC_max，SOE_min≤SOE(t)≤SOE_max，式中：P_bat为电池功率，SOC为动力电池荷电状态，SOE为动力电池能量状态，f₁为动力电池SOC与电池功率之间的关系，f₂为动力电池SOE与电池功率之间的关系。

进一步地，所述动态规划算法表示为：

L(x_k，u_k)＝ω₁(b_e+βP_bat)+ω₂HC+ω₃NO_x+ω₄CO，ω₁+ω₂+ω₃+ω₄＝1，式中：ω₁、ω₂、ω₃、ω₄：优化目标各个研究对象的权重；b_e为发动机的油耗；β为电能等效燃油转化系数；P_bat为动力电池功率；HC、NO_x、CO：依次为实际上混合动力汽车行程中尾气排放值。

进一步地，基于贝尔曼最优原理的全局动态规划算法，将混合动力汽车的全局最优车辆需求功率转化为如下优化序列问题：

第N阶段、第k阶段的目标函数分别为：

式中：上标i为离散状态变量的索引；上标j为离散控制变量的索引；下标k为离散时间的索引；x_k+1为当前时刻的状态转移到下一时刻的状态；

控制变量u_k和整车动力系统须满足如下物理约束：

P_emin≤P_e(k)≤P_emax

P_batmin≤P_bat(k)≤P_batmax

ω_mmin≤ω_m(k)≤ω_mmax

T_mmin(ω_m)≤T_m(k)≤T_mmax(ω_m)

式中：P_emin、P_emax分别为发动机最优工作曲线上的最小功率和最大功率，P_batmin、P_batmax分别为电池充电功率的最小值和最大值，ω_mmin、ω_mmax分别为电动机工作转速的最小值和最大值，T_mmin(ω_m)、T_mmax(ω_m)分别为当前转速ω_m对应的最小转矩和最大转矩：

为满足上述约束条件的动态规划问题逆向求解的基本方程，由k＝N时刻开始从后向前计算，逐步求得各阶段的最优决策轨迹、最优状态轨迹和最优目标值，直至在k＝1时求解结束。

本发明的技术效果如下：

本发明提供一种基于交通信息的混合动力汽车能量管理方法，该方法通过将智能交通系统获得的交通信息用在混合动力汽车的能量管理中，可以实现动力在不同动力源之间的优良分配，从而提高车辆的燃油经济性和尾气排放性能；采用了上层控制器和下层控制器相互配合并协同工作的分层结构设计进行混合动力汽车能量优化控制，可以更高效地计算车辆需求功率，实现优良控制；基于网联环境下，上层控制器基于智能交通系统和地理信息系统获得的历史和当前驾驶工况信息数据，利用马尔科夫链算法预测汽车未来驾驶循环工况的速度、加速度以及道路坡度序列交通信息，从而获得车辆的最优需求功率，也就是说，通过预测的未来驾驶工况信息可获得车辆的需求功率(即驾驶员的请求功率)；采用基于全局动态规划算法的下层控制器，在保证动力电池荷电状态SOC和能量状态SOE在正常的范围波动前提下，以燃油经济性和排放性能最优为目标，使用动态规划算法在发动机和电动机之间进行车辆需求功率的最佳分配，目的是减少车辆的燃油消耗量和尾气排放量，不仅考虑了优化车辆的燃油经济性，而且还优化了尾气排放性能；通过在下层控制器的全局动态规划算法中，将动力电池荷电状态SOC和能量状态SOE控制在预设合理范围内，进行车辆能量管理的最优控制。

附图说明

图1为本发明一实施例的基于交通信息的混合动力汽车能量管理方法的流程示意图。

图2为本发明一实施例的混合动力汽车功率分配的结构示意图。

具体实施方式

为了更清楚的理解本发明的内容，将结合附图和实施例详细说明。

本发明涉及一种基于交通信息的混合动力汽车能量管理方法，该方法在现有混合动力汽车能量管理方法的基础上考虑了坡度、SOE对混合动力汽车量管理的影响，并对混合动力汽车的能量管理进行分层控制，以实现在网联环境下混合动力汽车实际运行过程中燃油经济性和排放性能最优。该方法具体包括：交通信息数据获取步骤；驾驶工况信息预测步骤；需求功率计算及分配步骤。

具体地，如图1所示，交通信息数据获取步骤，在网联环境(V2V和V2I通信)下，由智能交通系统(ITS)和地理信息系统(GIS)获取混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息，并将混合动力汽车的历史驾驶工况信息以及混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息上传至上层控制器中的数据处理中心，并由数据处理中心对接收到的混合动力汽车的历史驾驶工况信息以及混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息进行数据预处理，即将动力汽车当前的速度值和道路坡度值分成不同的类别，例如将所有速度分割成M类离散的固定宽度值，具体实现如公式(1)所示：

v(t)＝[[0，…，0.5]，[0.5，…，1]…[v_max-0.5，…，v_max]]＝[U¹，U²，…U^M] (1)

Δv＝(v_max-v_min)/M

以此类推可得道路坡度的数据预处理，分成N类，具体如公式(2)所示：

α(t)＝[W¹，W²，…W^N]， Δα＝(α_max-α_min)/N (2)

由上述可知，驾驶工况循环现在有M个速度等级和N个坡度等级，具体如公式(3)所示：

v(t)∈U^v＝[U¹，U²，…U^M]，α(t)∈W^α＝[W¹，W²，…W^N] (3)

其中：v是车辆速度，α是驾驶循环的坡度，U和W分别代表速度和坡度的分类片段。

根据上述进行的数据预处理的分类结果得到对应的二维马尔科夫链算法，它可以预测一个或多个给定周期的速度和坡度。

在该实施例的驾驶工况信息预测步骤中，上层控制器中的数据处理中心根据接收的历史驾驶工况信息以及所述混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息在满足车辆纵向动力学的约束下利用马尔科夫链算法预测汽车未来的速度、加速度以及道路坡度序列交通信息以得到优化的车辆需求功率序列并传输给下层控制器。其中，混合动力汽车的车辆纵向动力学模型如公式(4)所示：

当坡度足够小时，cosα≈1，sinα≈tanα≈α，

公式(4)则转变成如下所示的公式(5)：

其中，

再将公式(5)两边同乘速度可得到车辆的功率平衡方程，如公式(6)所示：

式中：v为车速，a为车辆的加速度，m为车辆的质量，f为滚动阻力系数，C_D为空气阻力系数，A为车辆迎风面积，ρ为空气密度，α为道路坡度，T_tq为发动机转矩，i_g为变速器传动比，i₀为主减速器传动比，η_T为传动系的机械效率，r为车轮半径，P为车辆的需求功率。

由上所述，道路坡度α的变化会影响车辆速度v的变化，所以为了获得车辆的需求功率，需要准确预测出未来驾驶循环的速度、加速度和道路坡度信息。二维马尔科夫链是一种具有可预测性的算法，是离散状态空间上的随机过程，因此可根据历史和当前汽车驾驶工况利用二维马尔科夫链算法预测汽车未来的速度、加速度及道路坡度序列交通信息。

具体地，利用二维马尔科夫链算法进行预测时，假设{X_k}是一个离散时间随机过程，其值在空间S＝{s₁，s₂，…s_r，}中，其中

是如公式(3)所示的速度等级U^v和道路坡度等级W^α的组合。如果P{(X_k+1∈s_j)|X₀，X₁，…X_k}＝P{(X_k+1∈s_j)|X_k}，则{X_k}被称为离散时间马尔科夫过程。从当前状态

到下一个状态

的概率P_ij＝P(X_k+1＝s_j|X_k＝s_i)，所有的转移矩阵P_ij都可以从矩阵F中获得。该矩阵所有元素均大于等于0，且所有行的和，即离开一个状态的所有概率的和为1，如公式(7)所示：

其中矩阵F是由驾驶循环的速度和坡度合成的，包含下一时间步转移到U_j ^v和W_j ^α的概率，具体如下方公式(8)所示矩阵：

由此获得的二维矩阵F即为二维马尔科夫链算法，二维马尔科夫链算法是基于概率论和数理统计中具有马尔科夫性质的离散随机变量集合的算法，它可以预测一个或多个给定周期的速度和坡度。

二维矩阵F中每一个元素都包含从在t_k时刻的当前状态s_i到在t_k+1时刻的下一状态s_j。为了预测未来的驾驶工况信息，初始状态s_i和矩阵F可以使用基于概率泊松分布的抽样方法用来计算未来的状态s_j，其中泊松分布是基于获取的历史驾驶循环数据建立的。

当使用二维马尔科夫链算法预测了汽车未来驾驶工况的速度和道路坡度信息后，通过对车辆速度进行微分，得到驾驶工况的加速度信息，为了消除数值微分带来的误差，对计算的瞬时加速度进行平滑处理。

由此，如图2所示，在网联环境下，未来驾驶工况的车辆速度、加速度和道路坡度等交通信息均可由上层控制器提前获得，并可据此进行汽车未来驾驶工况信息预测，获得车辆的需求功率序列(即驾驶员的请求功率序列)，将车辆的需求功率(即驾驶员的请求功率序列)序列通过无线传输的方式发送至下层控制器，以便于下层控制器进行整车能量优化管理。

在该实施例的需求功率计算及分配步骤中，如图2所示，下层控制器根据上层控制器得到的车辆需求功率序列建立状态空间模型，根据所述状态空间模型迭代遍历电池功率控制变量，并应用基于贝尔曼最优原理的全局动态规划算法(DP)将动力电池荷电状态和能量状态控制在预设范围内即保证动力电池荷电状态SOC和能量状态SOE在正常范围波动前提下，以同时优化燃油经济性和排放性能为目标函数进行逆向求解，计算出混合动力汽车中的发动机、电机和动力电池所需的功率，并将所述计算出的功率分别无线传输至混合动力汽车中的发动机、电机和动力电池，各动力部件控制器(如发动机、电机或动力电池的控制器等)根据接收的控制指令(即车辆各动力部件的最佳分配功率)对车辆相应的动力部件(如发动机、电机或动力电池等)执行正确的输出操作。具体地，全局动态规划算法(DP)基于最优化理论，将多阶段过程转化为一系列单阶段过程，利用各阶段之间的关系逐步求解，获得最优决策序列，同时确定整个决策过程的最优活动轨迹。

具体地，在该实施例中，由于此综合优化问题的目的是在发动机和电动机之间进行车辆需求功率的最佳分配，所以控制变量设定为电池功率，通过控制电池功率的大小可调节发动机功率使其处于发动机最优工作曲线，从而发动机工作点由最优工作曲线确定。而混合动力汽车电机驱动部分能否正常健康行驶，不仅与动力电池荷电状态SOC有关，还与动力电池能量状态SOE有关，因此将电池SOC与电池SOE作为全局动态规划算法(DP)的两个状态变量，所以在网联环境下，基于动态规划算法的混合动力汽车能量管理是一个单控制变量u＝P_bat，两状态变量x＝[SOC SOE]^T的综合控制问题。其中具体的动力电池SOC和SOE介绍如下：

SOC：state of charge荷电状态，能够反映电池剩余可用容量，可以理解为电池剩余电量百分比，当SOC＝0时表示电池放电完全，当SOC＝1时表示电池完全充满。电池SOC定义为电池剩余容量和总容量之比，具体如公式(9)所示：

SOE：state of energy能量状态，能够反映电池剩余能量的大小，直接影响电动汽车续航里程，受电动汽车工况显著影响。通常认为电池充电至截止电压时的SOE为1，电池放电至截止电压时的SOE为0。其定义为电池剩余能量与总能量之比，具体如公式(10)所示：

式中：SOC(t)为t时刻SOC，SOC(t₀)为t₀初始时刻SOC；i(t)为t时刻电流，C为电池额定容量。SOE(t)为t时刻SOE，SOE(t₀)为t₀初始时刻SOE；P(t)为t时刻功率，E为电池额定能量。

综上，该综合控制问题可用状态空间模型表示，该状态空间模型具体如公式(11)-(13)所示：

x＝[SOC SOE]^T (₁3)

式中：P_bat为电池功率，SOC为动力电池荷电状态，SOE为动力电池能量状态，f₁为动力电池SOC与电池功率之间的关系，f₂为动力电池SOE与电池功率之间的关系。

公式(11)表示动力电池SOC动态性能，公式(12)表示动力电池SOE动态性能。

具体地，在该实施例中，为了防止混合动力汽车在行驶中电池出现过充或过放现象以及电池剩余能量过低现象，须对电池SOC和SOE加以限制，具体限制如公式(14)-(15)所示：

SOC_min≤SOC(t)≤SOC_max (14)

SOE_min≤SOE(t)≤SOE_max (15)

由于混合动力车辆能量管理目的是提升车辆的燃油经济性和尾气排放性能的多目标优化，为了简化模型，引入权重系数，将上述多目标优化问题转化为单目标优化问题，所以采用的动态规划算法的优化目标函数如公式(16)-(18)所示：

L(x_k，u_k)＝ω₁(b_e+βP_bat)+ω₂HC+ω₃NO_x+ω₄CO (17)

ω₁+ω₂+ω₃+ω₄＝1 (18)

式中：ω₁、ω₂、ω₃、ω₄：优化目标各个研究对象的权重；b_e为发动机的油耗；β为电能等效燃油转化系数；P_bat为动力电池功率；HC、NO_x、CO：依次为实际上混合动力汽车行程中尾气排放值。

根据求解动态规划算法的贝尔曼最优原理，混合动力汽车系统的全局最优解可以转化为如下优化序列问题：

第N阶段、第k阶段的目标函数分别如公式(19)-(20)所示：

式中：上标i为离散状态变量的索引；上标j为离散控制变量的索引；下标k为离散时间的索引；x_k+1为当前时刻的状态转移到下一时刻的状态。

控制变量u_k和整车动力系统须满足如下公式(21)-(24)所示的物理约束：

P_emin≤P_e(k)≤P_emax (21)

P_batmin≤P_bat(k)≤P_batmax (22)

ω_mmin≤ω_m(k)≤ω_mmax (23)

T_mmin(ω_m)≤T_m(k)≤T_mmax(ω_m) (24)

式中：P_emin、P_emax分别为发动机最优工作曲线上的最小功率和最大功率，P_batmin、P_batmax分别为电池充电功率的最小值和最大值，ω_mmin、ω_mmax分别为电动机工作转速的最小值和最大值，T_mmin(ω_m)、T_mmax(ω_m)分别为当前转速ω_m对应的最小转矩和最大转矩。

即为满足上述约束条件的动态规划问题逆向求解的基本方程，由k＝N时刻开始从后向前计算，逐步求得各阶段的最优决策轨迹、最优状态轨迹和最优目标值，直至在k＝1时求解结束，从而计算出混合动力汽车中的发动机、电机(当然也可以有动力电池)所需的功率，并将所述计算出的功率分别由下层控制器无线传输至混合动力汽车中的发动机和电机(以及动力电池)，以进行车辆需求功率的最佳分配。

基于本发明的实施例，基于交通信息的混合动力汽车能量管理方法通过将智能交通系统获得的交通信息用在混合动力汽车的能量管理中，可以实现动力在不同动力源之间的优良分配，从而提高车辆的燃油经济性和尾气排放性能；采用了上层控制器和下层控制器相互配合并协同工作的分层结构设计进行混合动力汽车能量优化控制，可以更高效地计算车辆需求功率，实现优良控制；采用网联环境下，上层控制器基于智能交通系统和地理信息系统获得的历史和当前驾驶工况信息数据，利用马尔科夫链算法预测汽车未来驾驶循环工况的速度、加速度以及道路坡度序列交通信息，从而获得车辆的最优需求功率，也就是说，通过预测的未来驾驶工况信息可获得车辆的需求功率(即驾驶员的请求功率)；采用基于全局动态规划算法的下层控制器，在保证动力电池荷电状态SOC和能量状态SOE在正常的范围波动前提下，以燃油经济性和排放性能最优为目标，使用动态规划算法在发动机和电动机之间进行车辆需求功率的最佳分配，目的是减少车辆的燃油消耗量和尾气排放量，不仅考虑了优化车辆的燃油经济性，而且还优化了尾气排放性能；通过在下层控制器的全局动态规划算法中，将动力电池荷电状态SOC和能量状态SOE控制在预设合理范围内，进行车辆能量管理的最优控制。

应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

Claims (10)

1.一种基于交通信息的混合动力汽车能量管理方法，其特征在于，所述方法包括如下步骤：

交通信息数据获取步骤，在网联环境下，由智能交通系统和地理信息系统获取混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息，并将所述混合动力汽车的历史驾驶工况信息以及所述混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息上传至上层控制器中的数据处理中心；

驾驶工况信息预测步骤，上层控制器中的数据处理中心根据接收的历史驾驶工况信息以及所述混合动力汽车当前的速度、加速度以及汽车行驶时的道路坡度序列交通信息在满足车辆纵向动力学的约束下利用马尔科夫链算法预测汽车未来的速度、加速度以及道路坡度序列交通信息以得到优化的车辆需求功率序列并传输给下层控制器；

需求功率计算及分配步骤，下层控制器根据所述车辆需求功率序列建立状态空间模型，根据所述状态空间模型迭代遍历电池功率控制变量，并应用基于贝尔曼最优原理的全局动态规划算法将动力电池荷电状态和能量状态控制在预设范围内，以同时优化燃油经济性和排放性能为目标函数进行逆向求解，计算出混合动力汽车中的发动机、电机和动力电池所需的功率，并将所述计算出的功率分别传输至混合动力汽车中的发动机、电机和动力电池。

2.根据权利要求1所述的方法，其特征在于，所述驾驶工况信息预测步骤中，在满足纵向动力学的约束条件下，上层控制器通过解析车辆历史和当前的速度、加速度以及道路坡度序列交通信息得到全局最优耗能曲线，并根据所述全局最优耗能曲线结合马尔科夫链算法预测未来汽车的驾驶速度、加速度以及道路坡度序列交通信息。

3.根据权利要求1或2所述的方法，其特征在于，所述上层控制器中的数据处理中心通过无线传输的方式将优化的车辆需求功率序列发送给下层控制器。

4.根据权利要求1或2所述的方法，其特征在于，所述马尔科夫链算法为二维马尔科夫链算法。

5.根据权利要求4所述的方法，其特征在于，所述二维马尔科夫链算法是基于概率论和数理统计中具有马尔科夫性质的离散随机变量集合的算法，其中使用了基于概率泊松分布的抽样方法，所述泊松分布是基于获取的历史驾驶工况信息建立的。

6.根据权利要求1或2所述的方法，其特征在于，所述加速度通过获取的汽车速度进行微分获得。

7.根据权利要求6所述的方法，其特征在于，对通过获取的汽车速度进行微分获得的加速度进行平滑处理。

8.根据权利要求1或2所述的方法，其特征在于，所述需求功率计算及分配步骤建立的状态空间模型表示为：

x＝[SOC SOE]^T，SOC_min≤SOC(t)≤SOC_max，SoE_min≤SOE(t)≤SOE_max，式中：P_bat为电池功率，SOC为动力电池荷电状态，SOE为动力电池能量状态，f₁为动力电池SOC与电池功率之间的关系，f₂为动力电池SOE与电池功率之间的关系。

9.根据权利要求8所述的方法，其特征在于，所述动态规划算法表示为：

L(x_k，u_k)＝ω₁(b_e+βP_bat)+ω₂HC+ω₃NOx+ω₄CO，ω₁+ω₂+ω₃+ω₄＝1，式中：ω₁、ω₂、ω₃、ω₄：优化目标各个研究对象的权重；b_e为发动机的油耗；β为电能等效燃油转化系数；P_bat为动力电池功率；HC、NO_x、CO：依次为实际上混合动力汽车行程中尾气排放值。

10.根据权利要求9所述的方法，其特征在于，基于贝尔曼最优原理的全局动态规划算法，将混合动力汽车的全局最优车辆需求功率转化为如下优化序列问题：

第N阶段、第k阶段的目标函数分别为：

式中：上标i为离散状态变量的索引；上标j为离散控制变量的索引；下标k为离散时间的索引；x_k+1为当前时刻的状态转移到下一时刻的状态；

控制变量u_k和整车动力系统须满足如下物理约束：

P_emin≤P_e(k)≤P_emax

P_batmin≤P_bat(k)≤P_batmax

ω_mmin≤ω_m(k)≤ω_mmax

T_mmin(ω_m)≤T_m(k)≤T_mmax(ω_m)

式中：P_emin、P_emax分别为发动机最优工作曲线上的最小功率和最大功率，P_batmin、P_batmax分别为电池充电功率的最小值和最大值，ω_mmin、ω_mmax分别为电动机工作转速的最小值和最大值，T_mmin(ω_m)、T_mmax(ω_m)分别为当前转速ω_m对应的最小转矩和最大转矩；

为满足上述约束条件的动态规划问题逆向求解的基本方程，由k＝N时刻开始从后向前计算，逐步求得各阶段的最优决策轨迹、最优状态轨迹和最优目标值，直至在k＝1时求解结束。

Images